目标检测是计算机视觉中的基础任务,也是研究的重点方向。基于深度学习的目标检测方法通过对输入图像进行特征提取,训练分类器完成对图像目标的分类识别,使用回归方法对目标位置进行定位。基于视频图像的目标检测算法相较于单帧图像的目标检测来说,可以更多地利用视频图像上下文时空信息来对视频目标进行更加精准的检测。面向机器人环境感知的视频目标检测算法不仅要求检测模型的精准度,对检测模型的速度也有一定的要求,以便满足机器人移动端检测的实时性需求。同时由于应用于移动机器人端,所以需要一个方便部署的轻量型网络模型。本文以多尺度目标检测算法YOLOv3为基础,通过改进目标检测的网络模型,优化检测的后处理过程,并对改进模型进行剪枝优化,最后采用检测与跟踪相结合的思想,实现了一种面向机器人环境感知的视频目标检测与跟踪网络模型。本文的主要工作包括以下几个方面:（1）以实时多尺度目标检测算法YOLOv3为基础,通过引入注意力机制和空间金字塔池化方法对多尺度检测模型的不同层级特征融合阶段进行改进,提出了一种ASPP-YOLOv3检测模型。ASPP-YOLOv3检测网络在多尺度检测的每个多尺度层级提取的特征之后使用注意力机制来增强关键特征,抑制无用信息,实现多尺度层级之间的特征在通道和空间位置上的自适应权重分配。之后结合空间金字塔池化的特点,融合了对应于同一特征图但具有不同感受野的池化特征,丰富了细粒度的语义特征,从而提高了目标的检测性能。相较于YOLOv3,该检测模型在不影响检测速度的情况下,提升了目标检测的精准度。（2）基于视频图像序列的上下文信息,采用一种基于上下文候选框关联性的置信度重打分策略,并结合soft-NMS的软化迭代算法思想,提出了一种基于视频的候选框选择方法Video-NMS。基于视频的候选框选择算法应用于目标检测的后处理阶段,通过同种类预测框的前后帧重叠关系进行关联匹配,最后根据匹配的情况,对当前帧的候选框置信度进行重新打分。在重打分之后,对于当前帧候选框采用软化迭代的非极大值方法进行最后的筛选。（3）基于深度可分离卷积的方法对ASPP-YOLOv3卷积网络中的卷积操作进行的优化改进,减少了网络的卷积参数,压缩了网络模型,减少了网络的计算量,提高了模型推理的运行速度。之后又采用基于卷积网络BN层的通道稀疏化方法对网络进行更进一步的剪枝压缩,获得了一种检测性能较好的轻量化网络模型。最后借鉴Deep Sort检测与跟踪相结合的思想,将该轻量化网络模型作为检测器,在后处理阶段采用基于视频的候选框选择方法,两者结合作为检测模块,并使用级联匹配的方法,得到了一个实时视频目标检测与跟踪网络。